Le separazioni a membrana sono state a lungo riconosciute come processi efficienti dal punto di vista energetico con un mercato in rapida crescita. In particolare, La tecnologia della nanofiltrazione con solventi organici (OSN) ha mostrato un potenziale considerevole quando applicata a vari settori, come i prodotti petrolchimici, farmaci e prodotti naturali. L'energia consumata da queste industrie rappresenta dal 10 al 15 percento dell'intero consumo energetico mondiale.

Tuttavia, le difficoltà nel prevedere le prestazioni di separazione delle membrane OSN hanno ostacolato la transizione graduale dalla scoperta in laboratorio all'implementazione industriale. La previsione delle prestazioni delle membrane è un compito impegnativo a causa della natura complessa del solvente, interazioni soluto e membrana. "Nonostante l'ampia letteratura e i rapporti sulle applicazioni delle membrane, non rimaneva un database completo per guidare la comunità, " afferma il capo progetto Gyorgy Szekely dell'Advanced Membranes &Porous Materials Center, King Abdullah University of Science and Technology (KAUST).

I ricercatori della KAUST hanno collaborato con i ricercatori della Incheon National University, Corea del Sud, sviluppare una metodologia predittiva basata sull'intelligenza artificiale (AI) che seguirà rapidamente l'implementazione industriale delle membrane nei mezzi organici. Hanno eseguito il data mining per produrre il set di dati più grande, composto da più di 38, 000 punti dati nel campo. Invece di affrontare il problema della previsione da una prospettiva matematica fondamentale, si sono staccati dalle convenzioni sfruttando l'intelligenza artificiale. Mentre un ricercatore esperto di membrane può interpretare dati complessi sulla membrana in tre dimensioni (quattro dimensioni nella migliore delle ipotesi), L'intelligenza artificiale può analizzare dati multidimensionali ed estrarre tendenze e correlazioni nascoste in modo molto efficace.

"Per chiarire i parametri chiave che regolano le prestazioni della membrana (ad es. selettività e permeabilità), abbiamo eseguito un'analisi approfondita dei componenti principali con 18 dimensioni, " dice il primo autore dello studio Jiahui Hu. "Abbiamo applicato algoritmi di machine learning (reti neurali artificiali, macchine vettoriali di supporto, e modelli forestali casuali) che prevedevano le prestazioni di separazione con una precisione senza precedenti del 98% per la permeabilità e del 91% per la selettività."

Inoltre, i risultati della ricerca aprono la strada a una migliore progettazione e sviluppo delle membrane. La metodologia di previsione delle prestazioni sviluppata consentirà lo sviluppo in silico di separazioni efficienti dal punto di vista energetico. "In definitiva, siamo un passo più vicini alla necessaria trasformazione dal laboratorio umido al laboratorio cablato, " afferma Szekely. "La rapida identificazione della membrana giusta per una data sfida di separazione consentirà di massimizzare i margini di profitto riducendo al minimo i laboriosi screening sperimentali in laboratorio".